Phoneme recognition by radial basis function network using input-output clustering
Bu makalede Radyal Taban Fonksiyonlu Ağlar'da (RTFA), merkez vektörlerinin belirlenmesinde giriş-çıkış obeklemesi yönteminin kullanılmasının, fonem tanılamadaki etkisi araştırılmıştır. RTFA 'nın tanılama testleri, sekiz adet Türkçe sesli harfi ve altı adet Japonca fonemi kapsayacak şekilde iki ayrı bölümden oluşmuştur. Fonem kümelerindeki örnekler 112 boyutlu vektörlerle temsil edilmişlerdir. Deneylerde, RTFA 'da kullanılan merkez vektörleri i) giriş uzayındaki vektörlere uygulanan bir öbekleme yöntemiyle (giriş obeklemesi) ii) giriş ve çıkış uzaylarının kartezyen çarpımından elde edilen vektörlere uygulanan bir öbekleme yöntemiyle (giriş-çıkış obeklemesi) belirlenmişlerdir. Yapılan deneyler sonucu giriş-çıkış obeklemesi yönteminin Türkçe ve Japonca fonemlerin tanılanmasında giriş obeklemesi yöntemine göre daha iyi sonuçlar verdiği gözlemlenmiştir.
Giriş-çıkış öbeklemesi kullanılarak radyal taban fonksiyonlu ağlar ile fonem tanılama
This paper studies the effects of using input-output clustering [1] for determining centers on phoneme recognition performance of Radial Basis Function Network (RBFN). 112-dimensional vectors representing Turkish vowels and 6 Japanese phonemes are used as feature vectors to be classified by a multi-output RBFN in separate experiments. The center vectors of RBFN are determined i) by a clustering technique applied to sample vectors chosen from input space (so called input clustering) or ii) by a clustering technique applied to sample vectors chosen from the cartesian product of input and output spaces (so called input-output clustering). It has been observed from the simulations that the input, output clustering technique gives better recognition rates both in the training and test pattern sets as compared to the input clustering.
